Generative AI (AI เชิงสร้างสรรค์)

Generative AI (ปัญญาประดิษฐ์เชิงสร้างสรรค์) คือชื่อเรียกรวมของโมเดล AI ที่สร้างเนื้อหา เช่น ข้อความ ภาพ เสียง และวิดีโอ ได้เองจากสิ่งที่เรียนรู้จากข้อมูล ตัวอย่างที่เป็นตัวแทนคือ LLM (Large Language Model) และโมเดลสร้างภาพ

กลไกทางเทคนิค

หัวใจของ Generative AI คือการเรียนรู้รูปแบบและการแจกแจงความน่าจะเป็นจากข้อมูลจำนวนมาก แล้ว "สร้าง" ข้อมูลใหม่ขึ้นมา ขณะที่ AI แบบจำแนก (Discriminative AI) แบบเดิมตัดสินว่า "นี่คือแมวหรือสุนัข" Generative AI ตอบสนองคำขอ เช่น "สร้างภาพแมว" หรือ "เขียนข้อความนี้ต่อ"

องค์ประกอบหลักของกระบวนการเรียนรู้มีดังนี้

• การฝึกล่วงหน้า (Pre-training): เรียนรู้รูปแบบพื้นฐานจากข้อความหรือภาพจำนวนมหาศาล
• Fine-tuning: ฝึกโมเดลเพิ่มเติมให้เหมาะกับงานหรือการใช้งานเฉพาะ
• RLHF (การเรียนรู้แบบเสริมกำลังจากความคิดเห็นของมนุษย์): ใช้การประเมินของมนุษย์เป็นสัญญาณรางวัลเพื่อยกระดับคุณภาพของผลลัพธ์

การสร้างข้อความใช้กลไกพื้นฐานในการทำนายคำถัดไปทีละโทเค็น และเทคนิค CoT (Chain of Thought) ที่แก้ปัญหาซับซ้อนทีละขั้นตอนอย่างโมเดลการให้เหตุผล (Reasoning Model) ก็พัฒนาขึ้นเรื่อย ๆ ส่วนด้านโครงสร้างพื้นฐานการคำนวณ GPU เป็นสิ่งที่ขาดไม่ได้ และยิ่งสำคัญขึ้นเมื่อโมเดลมีขนาดใหญ่ขึ้น

ประเภทของโมเดลหลักและจุดเด่น

Generative AI แบ่งได้หลายประเภทตามรูปแบบของผลลัพธ์

การสร้างข้อความ โมเดลที่รู้จักกันแพร่หลาย ได้แก่ GPT, Claude และ Gemini โมเดลเหล่านี้เป็นโมเดลพื้นฐาน (Foundation Model)ที่มีความสามารถทั่วไป นำไปประยุกต์กับงานปลายทางได้หลากหลาย นอกจากนี้ยังมี SLM (Small Language Model) ที่ลดขนาดโมเดลลง และสถาปัตยกรรม MoE (Mixture of Experts) ที่รวมโมดูลผู้เชี่ยวชาญหลายตัวเข้าด้วยกัน การพัฒนาจึงมุ่งไปสู่การได้ทั้งประสิทธิภาพและความคุ้มค่าพร้อมกัน

การสร้างภาพและวิดีโอ Diffusion Model เป็นแนวทางหลัก และ AI สร้างวิดีโอก็มีความแม่นยำสูงขึ้นอย่างเห็นได้ชัด ขณะเดียวกันความเสี่ยงที่จะถูกนำไปใช้สร้างเนื้อหาปลอม เช่น Deepfake ก็เพิ่มขึ้นด้วย

รูปแบบการใช้งานโมเดลก็หลากหลายขึ้น ไม่เพียงแค่ใช้ผ่าน API บนคลาวด์ แต่ยังมีกรณีที่รันเป็น Local LLM ในสภาพแวดล้อมของตัวเอง หรือนำโมเดล Open Weight ที่เปิดเผยค่าน้ำหนักมาปรับแต่งเองเพิ่มขึ้น

การนำไปใช้ในองค์กรและความท้าทาย

สิ่งที่ได้รับความสนใจเป็นพิเศษในการใช้ Generative AI ในองค์กรคือการใช้ร่วมกับ RAG (Retrieval-Augmented Generation) ด้วยการค้นหาข้อมูลที่เกี่ยวข้องจากเอกสารภายในหรือฐานข้อมูลภายนอก แล้วส่งให้โมเดลเป็นบริบท จึงใช้ข้อมูลล่าสุดหรือข้อมูลเฉพาะทางที่โมเดลเพียงอย่างเดียวทำไม่ได้ ยิ่งไปกว่านั้น เมื่อใช้ร่วมกับ AI Agent และระบบ Multi-Agent Generative AI ก็ก้าวข้ามการเป็นแค่ "เครื่องสร้างคำตอบ" ไปสู่ Agentic AI ที่ทำงานหลายขั้นตอนได้เอง

ในทางกลับกัน ก็มีความเสี่ยงที่มองข้ามไม่ได้เมื่อนำมาใช้

• Hallucination: ปัญหาที่โมเดลสร้างข้อมูลที่ไม่ตรงกับข้อเท็จจริงอย่างมั่นใจ
• Prompt Injection: การโจมตีที่ใช้อินพุตที่เป็นอันตรายเพื่อควบคุมพฤติกรรมของโมเดลโดยเจตนา
• Shadow AI: ปรากฏการณ์ที่พนักงานใช้ Generative AI นอกการควบคุมขององค์กร จนเกิดความเสี่ยง เช่น ข้อมูลรั่วไหล
• การขาดธรรมาภิบาล: สถานการณ์ที่การใช้งานขยายตัวไปทั้งที่ยังไม่มีนโยบายการใช้งานหรือระบบตรวจสอบ

เพื่อรับมือกับความเสี่ยงเหล่านี้ จำเป็นต้องวาง AI Governance และติดตั้ง AI Guardrails นอกจากนี้ การปฏิบัติตามแนวโน้มด้านกฎระเบียบ เช่น EU AI Act ก็เป็นมุมมองที่ขาดไม่ได้สำหรับองค์กรที่ทำธุรกิจระดับโลก

แนวโน้มในอนาคต

จุดสนใจของวิวัฒนาการ Generative AI กำลังเปลี่ยนจากการเพิ่มประสิทธิภาพของโมเดลเดี่ยว ไปสู่ "จะใช้อย่างปลอดภัยและมีประสิทธิภาพได้อย่างไร" ทั้งการออกแบบให้มนุษย์กำกับดูแลด้วย HITL (Human-in-the-Loop) การยกระดับคุณภาพผลลัพธ์ด้วย Context Engineering และการทำงานอัตโนมัติด้วย MLOps ล้วนต้องการความพร้อมทั้งด้านเทคโนโลยีและการดำเนินงาน Generative AI ไม่ใช่เครื่องมือทดลองของบางแผนกอีกต่อไป แต่กำลังกลายเป็นโครงสร้างพื้นฐานที่ผสานอยู่ในเวิร์กโฟลว์ขององค์กรทั้งหมด